植物生物与非生物胁迫表型鉴定系统

㊀山东农业科学㊀２０２４ꎬ５６(４):１７２~１８０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０４.０２２收稿日期:２０２３－０３－３０基金项目:山东省自然科学基金项目(ＺＲ２０２１Ｍ０５５)ꎻ国家重点研发计划课题(２０２１ＹＦＢ３９０１３０３)作者简介:曾世伟(２０００ )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:１４２２１８０４２６＠ｑｑ.ｃｏｍ通信作者:侯学会(１９８５ )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:ｓｘｈｏｕｘｈ＠１２６.ｃｏｍ王宗良(１９８６ )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮＥ－ｍａｉｌ:ｗａｎｇｚｏｎｇｌｉａｎｇ＠ｌｃｕ.ｅｄｕ.ｃｎ基于无人机遥感的作物表型参数获取和应用研究进展曾世伟１ꎬ２ꎬ侯学会２ꎬ王宗良１ꎬ骆秀斌２ꎬ巫志雄１ꎬ２ꎬ王宏军１(１.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀２５２０００ꎻ２.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀２５０１００)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０４－０１７２－０９ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｏｆＯｂｔａｉｎｉｎｇａｎｄＵｔｉｌｉｚｉｎｇＣｒｏｐＰｈｅｎｏｔｙｐｉｃＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＺｅｎｇＳｈｉｗｅｉ１ꎬ２ꎬＨｏｕＸｕｅｈｕｉ２ꎬＷａｎｇＺｏｎｇｌｉａｎｇ１ꎬＬｕｏＸｉｕｂｉｎ２ꎬＷｕＺｈｉｘｉｏｎｇ１ꎬ２ꎬＷａｎｇＨｏｎｇｊｕｎ１(１.ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＬｉａｏｃｈｅｎｇＵｎｉｖｅｒｓｉｔｙꎬＬｉａｏｃｈｅｎｇ２５２０００ꎬＣｈｉｎａꎻ２.ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈꎬＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＪｉｎａｎ２５０１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｒｅｆｅｒｔｏｃｒｏｐｐｈｙｓｉｏｌｏｇｉｃａｌａｎｄｂｉｏｃｈｅｍｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｔｈａｔａｒｅｄｅｔｅｒｍｉｎｅｄｏｒｉｎｆｌｕｅｎｃｅｄｂｙｇｅｎｅｔｉｃａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.Ｔｈｒｏｕｇｈｏｂｔａｉｎｉｎｇｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｇｒｏｗｔｈｐｅｒｉｏｄｓꎬｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｃｒｏｐｓｃｏｕｌｄｂｅｋｎｏｗｎｉｎｔｕｉｔｉｖｅｌｙｓｏｔｈａｔｃｕｌｔｉｖａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｃｏｕｌｄｂｅａｄｊｕｓｔｅｄｉｎｔｉｍｅｔｏｅｎｓｕｒｅｈｉｇｈｃｒｏｐｐｒｏｄｕｃｔｉｖｉｔｙ.ＴｈｒｏｕｇｈｃａｒｒｙｉｎｇｄｉｆｆｅｒｅｎｔｓｅｎｓｏｒｓｓｕｃｈａｓＲＧＢｃａｍｅｒａꎬｓｐｅｃｔｒｕｍｃａｍｅｒａａｎｄＬＩＤＡＲꎬＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｓａｄｖａｎｔａｇｅｓｏｆｇｏｏｄｆｌｅｘｉｂｉｌｉｔｙꎬｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｒｅｌａｔｉｖｅｌｙｌｏｗｃｏｓｔｉｎａｃｑｕｉｒｉｎｇｄａｔａꎬｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｆｆｉｃｉｅｎｔｗａｙｔｏｏｂｔａｉｎｃｒｏｐｓｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｆａｓｔｄｅｖｅｌｏｐｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｐｒｏｃｅｓｓｉｎｇａｎｄａｎａｌｙｓｉｓｍｅｔｈｏｄｓｆｏｒｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎ￣ｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｂｙＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ.Ａｌｌｔｈｅｓｅｍａｋｅｃｒｏｐｍｏｎｉｔｏｒｉｎｇｍｏｒｅｃｏｎｖｅｎｉｅｎｔａｎｄｅｆｆｉｃｉｅｎｔ.ＩｎｔｈｉｓｐａｐｅｒꎬｐｒｏｃｅｓｓａｎｄｍｅｔｈｏｄｓｏｆｏｂｔａｉｎｉｎｇｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｉｎｔｒｏｄｕｃｅｄꎬａｎｄｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｓｕｃｈａｓｐｌａｎｔｈｅｉｇｈｔꎬｃａｎｏｐｙｃｏｖｅｒａｇｅꎬｌｅａｆａｒｅａｉｎｄｅｘꎬｗａｔｅｒｓｔｒｅｓｓꎬｂｉｏｍａｓｓａｎｄｙｉｅｌｄｗｅｒｅｓｕｍｍａｒｉｚｅｄꎬａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｅｇｒｏｕｎｄｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｓｐｅｃｔｅｄꎬｈｏｐｉｎｇｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ㊀ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＣｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓꎻＣｒｏｐｍｏｎｉｔｏｒｉｎｇ㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[１]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[２]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[３]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有ＲＧＢ数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[４－５]ꎮＲＧＢ相机[６]㊁热红外成像仪[７]㊁多光谱相机[８－９]和高光谱相机[１０－１１]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[１２]ꎬ因此可用于测量不同的表型参数[１３]ꎬ其中ꎬＲＧＢ相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[１４]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ１㊀无人机遥感监测图像数据的处理及信息提取流程和方法１.１㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[１５]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(ＤＥＭ)㊁正射校正生成数字正射影像(ＤＯＭ)和拼接镶嵌等[１６]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[１７]获取可见光图像后ꎬ使用Ｐｉｘ４Ｄｍａｐｐｅｒ软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[１８]获取高光谱影像后ꎬ除了使用Ｐｉｘ４ＤＭａｐｐｅｒ软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮＮäｓｉ等[１９]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用３７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ＡｒｃＧＩＳ㊁ＥＮＶＩ等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ１.２㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[２０]ꎮ常用的植被指数有归一化差值植被指数(ＮＤＶＩ)㊁绿色归一化植被指数(ＧＮＤＶＩ)㊁比值植被指数(ＲＶＩ)㊁红绿蓝植被指数(ＲＧＢＶＩ)㊁红边归一化植被指数(ｒＮＤＶＩ)㊁优化土壤调节植被指数(ＯＳＡＶＩ)㊁修正归一化植被指数(ｍＮＤＶＩ)㊁可见光大气阻抗植被指数(ＶＡＲＩ)㊁蓝绿色素指数(ＢＧＩ２)㊁增强植被指数(ＥＶＩ２)等ꎮ其中ꎬＮＤＶＩ能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[１２]ꎻＶＡＲＩ㊁ＮＤＶＩ㊁ＲＶＩ㊁ｒＮＤＶＩ㊁ｍＮＤＶＩ㊁ＧＮＤＶＩ能有效预测叶面积指数[１８]ꎻＮＤＶＩ㊁ＯＳＡ￣ＶＩ㊁ＢＧＩ２等常被用于预测植物叶片的叶绿素含量[２１]ꎻＶＡＲＩ能有效预测作物的水分胁迫ꎻＲＤＶＩ㊁ＲＧＢＶＩ在估测作物生物量方面效果较好[２２]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[１６]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[２３]ꎮ１.３㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[２４]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ＲｅｌｉｅｆＦ算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有ＳＶＭ－ＲＦＥ算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Ｌａｓｓｏ算法[２５]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ１.４㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[１]ꎮ１.４.１㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[１８]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮｋ折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成ｋ个样本数相等的子集ꎬ任选其中１个子集作为测试集ꎬ另外ｋ－１个子集作为训练集ꎬ然后无重复地执行ｋ次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ１.４.２㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[２６]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(ＳＶＲ)㊁随机森林回归(ＲＦＲ)㊁人工神经网络(ＡＮＮ)㊁多元线性回归(ＭＬＲ)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分４７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀类ꎬ典型的聚类算法有Ｋ均值(Ｋ－ｍｅａｎｓ)聚类算法和Ｋ－中心点(Ｋ－ｍｅｄｏｉｄｓ)聚类算法ꎮ１.４.３㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(Ｒ２)和均方根误差(ＲＭＳＥ)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬＲ２值越接近１ꎬ说明模型的参考价值越高ꎻＲＭＳＥ值越小ꎬ说明模型精度越高[２７]ꎮ２㊀无人机遥感监测作物表型参数的研究进展２.１㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[２８]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(ＤＯＭ)和数字表面模型(ＤＳＭ)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(Ｒ２＝０.９２３ꎬＲＭＳＥ＝１１.４９３ｃｍꎬＭＡＥ＝８.９２７ｃｍ)ꎮ牛庆林等[２９]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(ＧＣＰ)结合进行图像拼接处理ꎬ生成相应的ＤＳＭ和ＤＯＭꎬ得到的株高预测值与实测值拟合性较高(Ｒ２＝０.９３ꎬＲＭＳＥ＝２８.６９ｃｍꎬｎＲＭＳＥ＝１７.９０％)ꎮ刘治开等[３０]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物ＤＳＭ及作物高度模型(ＣＨＭ)来测量小麦株高ꎬ最终得到的估测结果较好(Ｒ２和ＲＭＳＥ分别为０.８２和４.３１ｃｍ)ꎮＫｈａｎ等[３１]使用无人机遥感平台拍摄小麦的ＲＧＢ图像ꎬ采用Ｐｉｘ４Ｄｍａｐｐｅｒ软件处理后用于估测小麦株高ꎬ精度较高(Ｒ２＝０.８５ꎬＲＭＳＥ＝６.６４ｃｍ)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[３２]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(Ｒ２＝０.７８５)ꎮＡａｓｅｎ等[３３]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(Ｒ２＝０.７)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[３４]㊁生物量[３５]㊁叶面积指数[３６]㊁产量[３７]等表型参数时的精确度则较好ꎮ２.２㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[３８]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[３９]ꎮＪｉｎ等[４０]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(ＰＳＯ)训练ＳＶＭ模型参数(惩罚系数ｃ㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的ＲＭＳＥ和ｒＲＭＳＥ分别为３４.０５株/ｍ２和１４.３１％ꎬ偏差为９.０１株/ｍ２ꎮ万亮等[４１]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(Ｒ２＝０.９３ꎬｒＲＭＳＥ＝９.４７％)ꎮ武威等[４２]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(ＮＤＩＧ)ꎬ并提出叶片盖度(ＬＣＤ)参数ꎬ将ＮＤＩＧ和ＬＣＤ相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(Ｒ２＝０.８９６)ꎮ周在明等[４３]使用四旋翼无人机搭载ＡＤＣＡｉｒ多光谱相机ꎬ通过ＮＤＶＩ指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明ＮＤＶＩ模型估算值与真实值之间的决定系数为０.９２ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[２３ꎬ４４－４６]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[４７]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[４８]ꎮ５７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展２.３㊀作物叶面积指数叶面积指数(ＬＡＩ)是指单位面积内作物叶片面积的总和ꎮＬＡＩ是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物ＬＡＩ对于估测作物产量具有重要意义[３６]ꎮ陶惠林等[３５]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数ＮＤＶＩˑＳＲ作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬＬＡＩ估测精度较高(建模和验证的Ｒ２㊁ＲＭＳＥ㊁ＮＲＭＳＥ分别为０.６７８８㊁０.６９㊁１９.７９％及０.８４６２㊁０.４７㊁１６.０４％)ꎮ杨雨薇等[４９]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数ＮＤＶＩꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物ＬＡＩꎬ其中半经验模型的反演精度最好(Ｒ２＝０.８９)ꎮ孙诗睿等[５０]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的ＬＡＩ进行反演ꎬ反演值与真实值之间的Ｒ２＝０.８２２ꎬＲＭＳＥ＝１.２１８ꎮ李剑剑等[５１]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合ＰＲＯＳＰＥＣＴ叶片光学模型和ＳＡＩＬ冠层二向性反射模型相耦合后生成的模型(ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ)来反演作物的ＬＡＩꎬＲ２＝０.８２ꎬＲＭＳＥ＝０.４３ｍ２/ｍ２)ꎮ傅银贞等[５２]利用ＩＲＳ－Ｐ６(ＬＩＳＳ－Ⅲ)获取多光谱数据并计算出ＤＶＩ㊁ＥＶＩ２㊁ＭＳＡＶＩ㊁ＮＤＶＩ㊁ＲＤＶＩ㊁ＲＶＩ㊁ＴＮＤＶＩ共７种植被指数ꎬ建立了ＬＡＩ与各植被指数的统计模型ꎬ其中ＮＤＶＩ㊁ＲＤＶＩ㊁ＴＮＤＶＩ反演ＬＡＩ的效果较好ꎬ决定系数Ｒ２均能够达到０.７６以上ꎮ２.４㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[５３]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(ＣＷ￣ＳＩ)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[５４]ꎮ张智韬等[５５]基于无人机搭载ＲＧＢ相机和近红外相机采集的图像ꎬ采用Ｏｔｓｕ－ＥＸＧ－Ｋｍｅａｎｓ算法对玉米冠层温度进行提取ꎬ用户精度为９５.９％ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(ｒ＝０.７８８)ꎬ将冠层温度代入水分胁迫公式计算出ＣＷＳＩꎬＣＷＳＩ与土壤含水率的相关性较高(ｒ＝－０.７３８)ꎮＢｅｌｌｖｅｒｔ等[５６]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的ＣＷＳＩꎬ发现ＣＷＳＩ与叶片水势的相关性较高(Ｒ２＝０.８３)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[５７]ꎮ王敬哲等[５８]采用无人机搭载高光谱传感器获取影像数据ꎬ经过５种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(ＳＭＣ)高光谱定量估算模型ꎬ其中通过吸光度(Ａｂｓ)预处理得到的模型预测精度最好ꎬ其建模集Ｒｃ２和ＲＭＳＥ分别为０.８４㊁２.１６％ꎬ验证集Ｒｐ２与ＲＭＳＥ分别为０.９１㊁１.７１％ꎬ相对分析误差(ＲＰＤ)为２.４１ꎮ张智韬等[５４]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(ＳＭＣ)ꎬ通过灰度关联法筛选出对ＳＭＣ敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(ＢＰＮＮ)㊁支持向量回归(ＳＶＲ)等机器学习方法构建不同生育时期的敏感植被指数与ＳＭＣ的关系模型ꎬ结果表明ＳＶＲ模型在各生育期的建模与预测精度均最优(建模集Ｒ２＝０.８５１ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.１７％ꎻ验证集Ｒ２＝０.８７５ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.３２％)ꎮ２.５㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[５９]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[４８]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[６０]ꎮ万亮等[４１]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将６７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(ＲＦＲ)中ꎬ有效改善了穗生物量的评估精度(Ｒ２＝０.８４ꎬｒＲＭＳＥ＝８.６８％)ꎮＷａｎｇ等[６１]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用ＬｉＤＡＲ或高光谱数据相比ꎬ高光谱和ＬｉＤＡＲ数据相融合能够更好地估测玉米的生物量(Ｒ２＝０.８８３ꎬＲＭＳＥ＝３２１.０９２ｇ/ｍ２ꎬＲＭＳＥＣＶ＝３３７.６５３ｇ/ｍ２)ꎮ刘畅等[６２]结合纹理特征与植被指数构建了一种 图－谱 融合指标ꎬ用该指标构建的生物量模型精度较高(Ｒ２＝０.８１ꎬＲＭＳＥ＝８２６.０２ｋｇ ｈｍ－２)ꎬ明显高于用单一植被指数(Ｒ２＝０.６９)和单一纹理特征(Ｒ２＝０.７１)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[６３]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[６４]研究证实ꎬ将波段深度分析和偏最小二乘回归(ＰＬＳＲ)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(ＢＤＲ)与ＰＬＳＲ结合的模型的估算精度较好(Ｒ２＝０.７９２ꎬＲＭＳＥ＝０.１６４ｋｇ/ｍ２)ꎮ２.６㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入Ｒ２和ＲＭＳＥ评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮＥｌｓａｙｅｄ等[６５]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(Ｒ２＝０.９７ꎬＲＭＳＥ＝２６.４８ｇ/ｍ２)ꎮＭａｉｍ￣ａｉｔｉｊｉａｎｇ等[６６]利用ＲＧＢ信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的ＤＮＮ(ＤＮＮ－Ｆ２)方法ꎬ准确估测了大豆产量(Ｒ２＝０.７２０ꎬｒＲＭＳＥ＝１５.９％)ꎮ严海军等[６７]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(Ｒ２＝０.９０ꎬＲＭＳＥ＝５００ｋｇ/ｈｍ２ꎬＮＲＭＳＥ＝１４.３％)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[６８]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和ＲＧＢ相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(ＳＶＲ)㊁多元线性回归(ＭＬＲ)㊁随机森林回归(ＲＦＲ)㊁偏最小二乘回归(ＰＬＳＲ)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用ＲＦＲ算法建立的模型效果最好(Ｒ２＝０.７２４ꎬＲＭＳＥ＝６１４.７２ｋｇ/ｈｍ２ꎬＭＡＥ＝４７８.０８ｋｇ/ｈｍ２)ꎮ申洋洋等[６９]采集冬小麦多光谱数据ꎬ选取多光谱相机的５个特征波段计算各生育时期的７２个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁ＢＰ神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(Ｒ２＝０.９４ꎬＲＭＳＥ＝０.３２ꎬＲＥ＝９％)ꎮ赵鑫[７０]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(Ｒ２＝０.７４)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[７１]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(Ｒ２分别为０.９３㊁７７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展０.９６㊁０.９４)ꎮ申洋洋等[６９]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的Ｒ２㊁ＲＭＳＥ㊁ＲＥ分别为拔节期０.９２㊁０.３５㊁１１％ꎬ孕穗期０.９３㊁０.３３㊁１０％ꎬ抽穗期０.９４㊁０.３２㊁９％ꎬ灌浆期０.９２㊁０.３６㊁９％ꎬ成熟期０.７７㊁０.６７㊁３３％ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ３㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[１]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[Ｊ].中国农业文摘－农业工程ꎬ２０１９ꎬ３１(１):２３－３６ꎬ５５. [２]㊀周济ꎬＴａｒｄｉｅｕＦꎬＰｒｉｄｍｏｒｅＴꎬ等.植物表型组学:发展㊁现状与挑战[Ｊ].南京农业大学学报ꎬ２０１８ꎬ４１(４):５８０－５８８. [３]㊀ＴｏｔｈＣꎬＪóｚ'ｋóｗＧ.Ｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓａｎｄｓｅｎｓｏｒｓ:ａｓｕｒ￣ｖｅｙ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ￣ｉｎｇꎬ２０１６ꎬ１１５:２２－３６.[４]㊀ＷｅｉＸＪꎬＸｕＪＦꎬＧｕｏＨＮꎬｅｔａｌ.ＤＴＨ８ｓｕｐｐｒｅｓｓｅｓｆｌｏｗｅｒｉｎｇｉｎｒｉｃｅꎬｉｎｆｌｕｅｎｃｉｎｇｐｌａｎｔｈｅｉｇｈｔａｎｄｙｉｅｌｄｐｏｔｅｎｔｉａｌｓｉｍｕｌｔａｎｅｏｕｓｌｙ[Ｊ].ＰｌａｎｔＰｈｙｓｉｏｌｏｇｙꎬ２０１０ꎬ１５３(４):１７４７－１７５８. [５]㊀ＡｌｈｅｉｔＫＶꎬＢｕｓｅｍｅｙｅｒＬꎬＬｉｕＷＸꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅ￣ｌｉｎｅｃｒｏｓｓＱＴＬｍａｐｐｉｎｇｆｏｒｂｉｏｍａｓｓｙｉｅｌｄａｎｄｐｌａｎｔｈｅｉｇｈｔｉｎｔｒｉｔｉｃａｌｅ(ˑＴｒｉｔｉｃｏｓｅｃａｌｅＷｉｔｔｍａｃｋ)[Ｊ].ＴｈｅｏｒｅｔｉｃａｌａｎｄＡｐｐｌｉｅｄＧｅｎｅｔ￣ｉｃｓꎬ２０１４ꎬ１２７:２５１－２６０.[６]㊀ＧｕｏＷꎬＦｕｋａｔｓｕＴꎬＮｉｎｏｍｉｙａＳ.Ａｕｔｏｍａｔｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｌｏｗｅｒｉｎｇｄｙｎａｍｉｃｓｉｎｒｉｃｅｕｓｉｎｇｆｉｅｌｄ￣ａｃｑｕｉｒｅｄｔｉｍｅ￣ｓｅｒｉｅｓＲＧＢｉｍａｇｅｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１５ꎬ１１:１－１５.[７]㊀ＳｉｅｂｅｒｔＳꎬＥｗｅｒｔＦꎬＲｅｚａｅｉＥＥꎬｅｔａｌ.Ｉｍｐａｃｔｏｆｈｅａｔｓｔｒｅｓｓｏｎｃｒｏｐｙｉｅｌｄ ｏｎｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｃｏｎｓｉｄｅｒｉｎｇｃａｎｏｐｙｔｅｍｐｅｒａ￣ｔｕｒｅ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓꎬ２０１４ꎬ９(４):０４４０１２. [８]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[Ｊ].智慧农业导刊ꎬ２０２２ꎬ２(２４):１１－１３.[９]㊀ＨｕｓｓａｉｎＳ.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[Ｄ].武汉:华中农业大学ꎬ２０２１. [１０]ＣｏｌｏｍｉｎａＩꎬＭｏｌｉｎａＰ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｈｏｔｏｇｒａｍ￣ｍｅｔｒｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏ￣ｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９２:７９－９７. [１１]ＺｈｏｎｇＹＦꎬＷａｎｇＸＹꎬＸｕＹꎬｅｔａｌ.Ｍｉｎｉ￣ＵＡＶ￣ｂｏｒｎｅｈｙｐｅｒ￣ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ:ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｔｏａｐ￣ｐｌｉｃａｔｉｏｎｓ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＭａｇａ￣ｚｉｎｅꎬ２０１８ꎬ６(４):４６－６２.[１２]ＷａｎｇＴＨꎬＬｉｕＹＤꎬＷａｎｇＭＨꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＳｉｎｃｒｏｐｂｉｏｍａｓｓｍｏｎｉｔｏｒｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉ￣ｅｎｃｅꎬ２０２１ꎬ１２:６１６６８９.[１３]ＸｕＲꎬＬｉＣＹꎬＰａｔｅｒｓｏｎＡＨ.Ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｉｎｇａｎｄｕｎ￣ｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｃｏｔｔｏｎｐｌａｎｔｐｈｅｎｏｔｙｐｉｎｇ[Ｊ].ＰＬｏＳＯＮＥꎬ２０１９ꎬ１４(２):ｅ０２０５０８３.[１４]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[Ｊ].中国激光ꎬ２０１８ꎬ４５(５):２７３－２７８. [１５]ＹａｎｇＧＪꎬＬｉｕＪＧꎬＺｈａｏＣＪꎬｅｔａｌ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｉｅｌｄ￣ｂａｓｅｄｃｒｏｐｐｈｅｎｏｔｙｐｉｎｇ:ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉｅｎｃｅꎬ２０１７ꎬ８:１１１１. [１６]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[Ｊ].农业工程学报ꎬ２０１９ꎬ３５(４):１０６－１１３.[１７]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[Ｊ].农业工程学报ꎬ２０１８ꎬ３４(１８):１２２－１２９.[１８]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(４):７７５－７８４.[１９]ＮäｓｉＲꎬＨｏｎｋａｖａａｒａＥꎬＬｙｙｔｉｋäｉｎｅｎ￣ＳａａｒｅｎｍａａＰꎬｅｔａｌ.ＵｓｉｎｇＵＡＶ￣ｂａｓｅｄｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｆｏｒｍａｐｐｉｎｇｂａｒｋｂｅｅｔｌｅｄａｍａｇｅａｔｔｒｅｅ￣ｌｅｖｅｌ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ７(１１):１５４６７－１５４９３.[２０]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(７):２１３－２２１. [２１]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[Ｄ].杭州:浙江大学ꎬ２０１９.[２２]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(２４):９８－１０６.[２３]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[Ｊ].农业机械学报ꎬ２０１９ꎬ５０８７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀。

非生物胁迫下植物表观遗传变异的研究进展王淑妍;郭九峰;刘晓婷;苑号坤;李亚娇;那日【期刊名称】《西北植物学报》【年(卷),期】2016(36)3【摘要】植物在整个生命过程中固着生长,不能主动躲避外界不良环境的危害,需要通过自身的防御机制来抵御和适应外界胁迫,而表观遗传修饰在调控植物应对不良环境胁迫中起重要作用.该文从DNA甲基化、组蛋白修饰、染色质重塑和非编码RNA等方面进行了综述,主要阐述了近年来国内外有关非生物胁迫下植物的表观遗传变化,以期为利用表观遗传变异提高植物的抗胁迫能力提供参考.【总页数】10页(P631-640)【作者】王淑妍;郭九峰;刘晓婷;苑号坤;李亚娇;那日【作者单位】内蒙古大学物理科学与技术学院,呼和浩特010021;内蒙古大学物理科学与技术学院,呼和浩特010021;内蒙古大学物理科学与技术学院,呼和浩特010021;电子科技大学生命科学与技术学院,成都610054;内蒙古大学物理科学与技术学院,呼和浩特010021;内蒙古大学物理科学与技术学院,呼和浩特010021【正文语种】中文【中图分类】Q789【相关文献】1.植物WRKY转录因子在非生物胁迫下的研究进展 [J], 尚静; 张爱冬; 张圣美; 刘晓慧; 查丁石; 吴雪霞2.植物WRKY转录因子在非生物胁迫下的研究进展 [J], 尚静; 张爱冬; 张圣美; 刘晓慧; 查丁石; 吴雪霞3.施氮处理下入侵植物黄顶菊表观遗传变异与表型可塑性响应特征 [J], 田佳源;张思宇;皇甫超河;杨殿林;田秀平;王慧4.非生物胁迫下植物体内丙酮醛代谢的研究进展 [J], 赵晶晶;周浓;曹鸣宇5.重金属镉胁迫下入侵植物黄顶菊表观遗传变异特征 [J], 张思宇;祁小旭;张玲玲;刘红梅;杨殿林;王慧因版权原因，仅展示原文概要，查看原文内容请购买。

植物在非生物胁迫下代谢组学与转录组学的研究进展一、本文概述随着全球气候变化的加剧，非生物胁迫如干旱、高温、盐碱等已成为影响植物生长和产量的重要因素。

为了深入理解和应对这些环境压力，植物代谢组学和转录组学的研究逐渐受到广泛关注。

本文旨在概述植物在非生物胁迫下的代谢组学和转录组学研究的最新进展，探讨这些技术在揭示植物响应非生物胁迫机制中的应用，以及未来可能的研究方向。

文章将首先介绍代谢组学和转录组学的基本概念和研究方法，然后重点分析近年来在植物非生物胁迫响应领域的代谢组学和转录组学研究成果，最后讨论这些技术在实际应用中的挑战和前景。

二、非生物胁迫的类型及其对植物的影响非生物胁迫是植物在生长和发育过程中面临的主要环境压力之一，包括但不限于盐胁迫、干旱胁迫、冷胁迫、热胁迫、重金属胁迫以及UV辐射等。

这些胁迫条件通常会对植物的生长、发育和生理代谢产生显著影响，严重时甚至导致植物死亡。

盐胁迫主要发生在盐碱地或海水灌溉地区，过高的盐浓度会导致植物细胞内的渗透压失衡，从而影响细胞的正常功能。

干旱胁迫则常见于水资源短缺的地区，长时间的干旱会导致植物水分亏缺，影响光合作用和其他代谢过程。

冷胁迫和热胁迫则分别由低温和高温引起，它们会干扰植物细胞的膜结构和酶活性，从而影响植物的正常生长。

重金属胁迫通常发生在工业污染地区，过量的重金属会干扰植物体内酶的活性，造成代谢紊乱。

UV辐射则主要来自太阳，过量的UV辐射会损害植物细胞的DNA和蛋白质，对植物造成直接伤害。

为了应对这些非生物胁迫，植物会启动一系列的生理和分子机制。

在代谢组学层面，植物会通过调整代谢途径，合成和积累一些特定的代谢产物，如渗透调节物质、抗氧化物质等，以维持细胞的正常功能。

在转录组学层面，植物会调整基因的表达模式，表达和上调一些与胁迫响应相关的基因，如转录因子、激酶等，以响应和适应胁迫环境。

研究植物在非生物胁迫下的代谢组学和转录组学变化，有助于深入理解植物应对环境压力的机制，为植物抗逆性的遗传改良和农业生产的可持续发展提供理论依据。

植物对生物和非生物胁迫的响应植物作为生命体，面对各种胁迫环境时，会采取一系列的生理和生化反应来适应并保护自身。

这些胁迫可以分为生物胁迫和非生物胁迫两类。

生物胁迫主要指的是来自其他生物体的攻击，如病原微生物、害虫等；而非生物胁迫则是指来自环境的压力，如高温、干旱、盐碱等。

本文将探讨植物对这两类胁迫的响应机制。

一、生物胁迫的响应生物胁迫是植物生长过程中常遇到的挑战之一。

植物通过一系列的防御机制来抵御病原微生物和害虫的侵袭。

其中，最为重要的是植物的免疫系统。

植物的免疫系统主要分为两个层次：PTI（PAMP-triggered immunity）和ETI（effector-triggered immunity）。

PTI是植物对于病原微生物普遍存在的分子模式（PAMPs）的识别和防御反应。

当植物感知到外界存在病原微生物时，会迅速启动PTI反应，包括产生一系列抗菌物质、增强细胞壁的抗性和调控相关基因的表达等。

这些反应的目的是阻止病原微生物的入侵和扩散。

然而，某些病原微生物会通过分泌特定的效应物质（effectors）来干扰植物的PTI反应，从而导致病原微生物的侵染。

为了应对这种情况，植物进一步启动ETI反应。

ETI是一种高度特异性的免疫反应，它依赖于植物与病原微生物效应物质的特异性互作。

当植物感知到病原微生物的效应物质时，会迅速启动ETI反应，包括产生一系列的抗菌物质、激活细胞死亡程序（HR，hypersensitive response）和调控相关基因的表达等。

这些反应的目的是通过限制病原微生物的生长和扩散来保护植物。

二、非生物胁迫的响应除了生物胁迫外，植物还要面对各种非生物胁迫，如高温、干旱、盐碱等。

这些胁迫会对植物的生长和发育产生严重影响，甚至导致植物死亡。

为了适应这些胁迫环境，植物会采取一系列的生理和生化反应来保护自身。

在高温胁迫下，植物会启动热休克反应。

热休克反应是植物在高温环境下产生的一系列保护性蛋白质的合成和积累。

植物蛋白磷酸酶2C在非生物胁迫信号通路中的调控作用杜驰;张富春【摘要】植物在非生物胁迫下会产生一系列的形态、生理生化和分子水平上的适应性变化，尤其是非生物胁迫会引起植物体内的蛋白磷酸酶2C（PP2C）基因表达的改变，从而诱导植物合成相关的蛋白以适应胁迫。

植物中有不同类型的PP2C亚群，各种PP2C亚群能够通过不同的信号途径参与胁迫应答，因此在植物响应非生物胁迫的过程中发挥重要作用。

综述了植物PP2C在非生物胁迫信号通路中的作用机制。

%Abiotic stress could cause a series of changes to plants in morphological, physiological, biochemical and molecular level. Especially the abiotic stresses would lead protein phosphorylase PP2C related gene expression change. At the same time, the proteins related biosynthesis induced by the abiotic stresses would improve plants resistance. However, the different PP2C through the different signaling pathways involved in abiotic stress. This article introduced the regulative mechanisms of PP2C mediated the abiotic stress signal pathways.【期刊名称】《生物技术通报》【年(卷),期】2014(000)008【总页数】7页(P16-22)【关键词】植物蛋白磷酸酶2C;非生物胁迫;信号通路;胁迫应答;调控【作者】杜驰;张富春【作者单位】新疆大学生命科学与技术学院新疆生物资源基因工程重点实验室，乌鲁木齐 830046;新疆大学生命科学与技术学院新疆生物资源基因工程重点实验室，乌鲁木齐 830046【正文语种】中文蛋白质磷酸化与去磷酸化是细胞生命过程的重要反应类型，也是蛋白质翻译后的主要修饰方式，在调节生物体的生命活动过程中发挥着关键的作用。

植物褪黑素：植物应答非生物胁迫的新兴信号分子周宏丹;罗晓萍;涂米雪;李忠光【期刊名称】《生物技术通报》【年(卷),期】2024(40)3【摘要】褪黑素(melatonin, MT)与其他传统五大类激素相比,其鉴定仅有20多年的历史,是一种新兴植物激素,是有机体中具有多种生理功能的多效信号分子。

在植物中,MT被称为植物褪黑素(phytomelatonin),它不仅调节种子萌发、根系构型、气孔运动、生物节律和开花与衰老,还通过激活抗氧化系统的活力,清除活性氧(reactive oxygen species, ROS),从而减轻胁迫造成的氧化胁迫、渗透胁迫、蛋白变性和细胞损伤,最终使植物应答生物和非生物胁迫。

本文基于MT代谢及其在植物应答非生物胁迫中的最新研究进展,总结MT在植物中的合成与分解代谢,归纳逆境胁迫下MT通过直接清除ROS和/或触发信号转导途径,上调抗逆相关基因表达,继而激活渗透调节系统和抗氧化系统的活力,促进逆境蛋白和次生代谢物质的合成,稳定光合作用和碳代谢,减少ROS的积累和细胞氧化损伤,最终提高植物对高温、低温、干旱、盐渍、重金属、紫外辐射和水涝等非生物胁迫的抵抗能力。

本文为理解MT的代谢、生理功能及细胞信号转导途径奠定了理论基础,并指出未来的研究方向。

【总页数】11页(P41-51)【作者】周宏丹;罗晓萍;涂米雪;李忠光【作者单位】云南师范大学生命科学学院生物能源持续开发利用教育部工程研究中心云南省生物质能与环境生物技术重点实验室【正文语种】中文【中图分类】Q94【相关文献】1.植物非生物胁迫信号转导及应答2.褪黑素调控植物生物与非生物胁迫应答的分子机制研究进展3.植物应答非生物胁迫的信号转导途径研究进展4.植物非生物胁迫应答的分子机制5.植物小分子信号肽参与非生物逆境胁迫应答的研究进展因版权原因，仅展示原文概要，查看原文内容请购买。

思考题1、数量性状QTL定位及应用存在的主要瓶颈有哪些？如何有效地克服？举实例说明。

瓶颈：（1）QTL定位不精准，QTL效应和数目夸大估计，存在QTL环境互作。

（2） QTL作图群体与育种群体的脱节：由于QTL表达存在很强的遗传背景效应，作图群体定位结果难以直接应用于育种群体；（3）无法获得优异等位基因：绝大多数的QTL定位都是以来自两个亲本组合的分离群体为基础的。

对某一QTL位点上的两个等位基因间的比较，只知较好，不知最好，因而不能鉴别出用于MAS的最佳有利等位基因.克服方法：（1）AB-QTL定位策略（2）回交和分子标记技术相结合（吉粳88抗旱目标性状选择导入系定位）利用高代回交群体的目标性状选择导入系进行基因QTL定位，可以有效消除QTL 之间以及QTL 与背景遗传效应间的互作，定位的成果能够直接用于遗传育种实践，从而将基因研究紧密结合起来.2、设计一套绿色性状（高产、抗旱、氮高效利用和抗病，从中任选3种性状）基因/QTL发掘和聚合的育种技术路线，并简要阐述其研究方案。

（参考以下方案）1 举例说明如何应用比较基因组学方法发掘和验证基因特异性标记。

比较基因组学：在基因组图谱和序列分析的基础上，对已知基因和基因的结构进行比较，了解基因的功能，表达调控机制和物种进化过程的学科。

如利用模式之物拟南芥在其功能研究深入方面与玉米等作物进行比较，从而发掘基因特异性标记。

2分子育种存在的主要问题有哪些？（1）与育种目标密切相关性状的标记数量少（2）分子标记与目标基因距离远, 选择准确性差, 标记在其它材料中无法应用（3）重标记发掘, 轻标记优化与应用（4）缺乏标记服务平台, 成本高（5）分子标记研究与主流育种项目结合不紧密1、棉花育种主要方法有哪些？是举例说明选择育种的特点，过程以及局限性。

（1）主要育种方法：选择育种，杂交育种，远缘杂交育种，杂种优势利用，诱变育种，生物技术育种。

（2）选择育种是从现有品种（系）中，选择优良变异个体（单株或单铃），经后裔鉴定、比较而育成新品种的方法。

植物免疫系统对非生物胁迫的响应与防御植物作为真正的生命体，在面对环境中的各种压力和威胁时，也需要具备自身的免疫系统来应对。

除了生物性胁迫，如病原微生物的感染，植物还需要应对来自非生物因素的威胁，比如极端气候、土壤盐碱化、紫外线辐射等。

本文将探讨植物免疫系统对非生物胁迫的响应与防御。

1. 植物免疫系统概述植物免疫系统是由一系列相互调控的信号通路和防御机制组成的网络系统。

它主要包括表皮层、细胞壁、细胞质以及核内的各种反应分子和蛋白质，以及与其相互作用的信号分子。

当植物受到外界的刺激或侵害时，免疫系统会迅速响应并启动相应的防御机制。

2. 植物对极端气候的响应与防御极端气候条件，如高温、低温、干旱、洪涝等都对植物生长和发育造成严重影响。

植物通过调节自身的生理和生化机制来应对这些极端气候的胁迫。

例如，植物在高温环境下会产生热休克蛋白来保护细胞的正常功能；在干旱胁迫下，植物会积累有效物质以保持细胞内的水分平衡。

3. 植物对土壤盐碱化的响应与防御土壤盐碱化是植物生长的另一个常见的非生物性胁迫。

植物通过多种生物化学和分子调控机制来应对土壤盐碱化的胁迫。

例如，植物会调节离子平衡，减少盐分对根系的伤害；同时增加抗氧化物质的积累，降低氧化胁迫对细胞的损害。

4. 植物对紫外线辐射的响应与防御紫外线辐射不仅会导致植物DNA的损伤，还会引发光合作用的异常，对植物生长和发育造成不利影响。

植物通过紫外线吸收剂、抗氧化物质和修复DNA等方式来抵御紫外线辐射的伤害。

此外，植物也会调节光合系统的结构和功能，以应对光合作用过程中紫外线的入侵。

5. 免疫编程理论除了对非生物胁迫的直接响应和防御，植物还能通过免疫编程来增强对潜在胁迫的抵抗力。

免疫编程是指在植物受到一定非生物胁迫后，通过诱导植物免疫系统的活化，使其在后续感染中具有更强的防御能力。

这种"提前准备"的策略可以让植物更好地应对来自非生物环境的压力。

综上所述，植物免疫系统在面对非生物胁迫时表现出多种响应和防御机制。

Hans Journal of Agricultural Sciences 农业科学, 2019, 9(4), 323-330Published Online April 2019 in Hans. /journal/hjashttps:///10.12677/hjas.2019.94048Molecular Mechanism Research Progressof Melatonin-Mediated Abiotic/BioticStress Response in PlantYongwei Xue1, Wenjuan Wang1, Juanjuan Fu21College of Desertification Prevention Engineering, Ningxia Technical College of Wine and DesertificationPrevention, Yinchuan Ningxia2Ningxia Desertification Prevention and Control Technical College, Yangling ShaanxiReceived: Apr. 11th, 2019; accepted: Apr. 23rd, 2019; published: Apr. 30th, 2019AbstractMelatonin is a derivative of tryptophan and it is widely found in plants. Plant melatonin is an evo-lutionarily conserved molecule, involved in regulating multiple physiological processes including flowering, photosynthesis, senescence, rooting, seed germination, vegetative growth, and res-ponses to various abiotic and/or biotic stresses. The present review covers the latest advances on the mechanistic roles of phytomelatonin and signaling transduction pathway. Meanwhile, we propose the possible research direction of plant melatonin-mediated stress responses in future.This will provide references for studying on molecular mechanism of plant melatonin mediated abiotic and biotic stress responses.KeywordsMelatonin, Abiotic/Biotic Stress, Stress Response, Signaling Transduction Mechanism褪黑素调控植物生物与非生物胁迫应答的分子机制研究进展薛永伟1，王文娟1，付娟娟21宁夏葡萄酒与防沙治沙职业技术学院，宁夏银川2西北农林科技大学，草业与草原学院，陕西杨凌收稿日期：2019年4月11日；录用日期：2019年4月23日；发布日期：2019年4月30日薛永伟 等摘 要褪黑素是一种色氨酸衍生物，广泛存在于植物体内。

西北植物学报，２０１６，３６（３）：０６３１－０６４０Ａｃｔａ　Ｂｏｔ．Ｂｏｒｅａｌ．－Ｏｃｃｉｄｅｎｔ．Ｓｉｎ． 文章编号：１０００－４０２５（２０１６）０３－０６３１－１０ ｄｏｉ：１０．７６０６／ｊ．ｉｓｓｎ．１０００－４０２５．２０１６．０３．０６３１收稿日期：２０１５－１２－０７；修改稿收到日期：２０１６－０１－１８基金项目：国家自然科学基金（５１４６７０１４）作者简介：王淑妍（１９９０－），女，在读硕士研究生，主要从事环境生物物理研究。

Ｅ－ｍａｉｌ：ｗｓｙｋｋ０９１４＠１２６．ｃｏｍ＊通信作者：郭九峰，博士，教授，主要从事生物物理与生物技术研究。

Ｅ－ｍａｉｌ：ｇｕｏｊｆ１０１＠ｓｉｎａ．ｃｏｍ非生物胁迫下植物表观遗传变异的研究进展王淑妍１，郭九峰１＊，刘晓婷１，苑号坤２，李亚娇１，那　日１（１内蒙古大学物理科学与技术学院，呼和浩特０１００２１；２电子科技大学生命科学与技术学院，成都６１００５４）摘　要：植物在整个生命过程中固着生长，不能主动躲避外界不良环境的危害，需要通过自身的防御机制来抵御和适应外界胁迫，而表观遗传修饰在调控植物应对不良环境胁迫中起重要作用。

该文从ＤＮＡ甲基化、组蛋白修饰、染色质重塑和非编码ＲＮＡ等方面进行了综述，主要阐述了近年来国内外有关非生物胁迫下植物的表观遗传变化，以期为利用表观遗传变异提高植物的抗胁迫能力提供参考。

关键词：非生物胁迫；ＤＮＡ甲基化；组蛋白修饰；染色质重塑；非编码ＲＮＡ中图分类号：Ｑ７８９文献标志码：ＡＲｅｓｅａｒｃｈ　Ｐｒｏｇｒｅｓｓ　ｏｆ　Ａｂｉｏｔｉｃ　Ｓｔｒｅｓｓ　Ｉｎｄｕｃｅｄ　Ｅｐｉｇｅｎｅｔｉｃ　Ｖａｒｉａｔｉｏｎ　ｉｎ　ＰｌａｎｔｓＷＡＮＧ　Ｓｈｕｙａｎ１，ＧＵＯ　Ｊｉｕｆｅｎｇ１＊，ＬＩＵ　Ｘｉａｏｔｉｎｇ１，ＹＵＡＮ　Ｈａｏｋｕｎ２，ＬＩ　Ｙａｊｉａｏ１，ＮＡ　Ｒｉ　１（１Ｃｏｌｌｅｇｅ　ｏｆ　Ｐｈｙｓｉｃａｌ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｉｎｎｅｒ　Ｍｏｎｇｏｌｉａ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈｏｈｈｏｔ　０１００２１，Ｃｈｉｎａ；２Ｓｃｈｏｏｌ　ｏｆ　Ｌｉｆｅ　Ｓｃｉｅｎｃｅ　ａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　ｏｆ　Ｃｈｉｎａ，Ｃｈｅｎｇｄｕ　６１００５４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｂｅｃａｕｓｅ　ｏｆ　ｓｅｄｅｎｔａｒｙ　ｌｉｆｅ　ｓｔｙｌｅ，ｐｌａｎｔｓ　ｃａｎ　ｎｏｔ　ａｖｏｉｄ　ｂａｄ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｓｔｉｍｕｌｕｓ，ｈｅｎｃｅ　ｎｅｅｄ　ｔｏ　ｄｅ－ｆｅｎｓｅ　ａｎｄ　ａｖｏｉｄ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｓｔｒｅｓｓ　ｔｈｒｏｕｇｈ　ｔｈｅｉｒ　ｏｗｎ　ｄｅｆｅｎｓｅ　ｍｅｃｈａｎｉｓｍ．Ｅｐｉｇｅｎｅｔｉｃ　ｐｌａｙｓ　ａｎ　ｉｍｐｏｒｔａｎｔｒｏｌｅ　ｉｎ　ｒｅｇｕｌａｔｉｎｇ　ｐｌａｎｓ　ｒｅｓｐｏｎｓｅ　ｔｏ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｓｔｒｅｓｓ．Ｔｈｉｓ　ｐａｐｅｒ　ｓｕｍｍａｒｉｚｅｓ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｒｅｓｅａｒｃｈ　ｓｔａ－ｔｕｓ　ｏｆ　ｅｐｉｇｅｎｅｔｉｃ　ｖａｒｉａｔｉｏｎｓ　ｏｆ　ｐｌａｎｔｓ　ｉｎｄｕｃｅｄ　ｂｙ　ａｂｉｏｔｉｃ　ｓｔｒｅｓｓ，ｉｎｃｌｕｄｉｎｇ　ＤＮＡ　ｍｅｔｈｙｌａｔｉｏｎ，ｈｉｓｔｏｎｅ　ｍｏｄｉｆｉ－ｃａｔｉｏｎ，ｃｈｒｏｍａｔｉｎ　ｒｅｍｏｄｅｌｉｎｇ　ａｎｄ　ｎｏｎ－ｃｏｄｉｎｇ　ＲＮＡ．Ｗｅ　ａｒｅ　ｅｘｐｅｃｔｉｎｇ　ｔｏ　ｅｘｐｌｏｉｔ　ｅｐｉｇｅｎｅｔｉｃ　ｃｈａｎｇｅｓ　ｉｍｐｒｏｖｅｔｈｅ　ｓｔｒｅｓｓ　ｒｅｓｉｓｔａｎｃｅ　ｏｆ　ｐｌａｎｔｓ．Ｋｅｙ　ｗｏｒｄｓ：ａｂｉｏｔｉｃ　ｓｔｒｅｓｓ；ＤＮＡ　ｍｅｔｈｙｌａｔｉｏｎ；ｈｉｓｔｏｎｅ　ｍｏｄｉｆｉｃａｔｉｏｎ；ｃｈｒｏｍａｔｉｎ　ｒｅｍｏｄｅｌｉｎｇ；ｎｏｎ－ｃｏｄｉｎｇ　ＲＮＡ 逆境胁迫是影响植物生长发育的重要因素之一。